Объяснимая ИИ с ЭДА для прогнозирования затухания пути V2I

Почему важны более "умные" каналы между автомобилем и дорогой

Современные автомобили все чаще обмениваются данными с окружающей инфраструктурой, отправляя и получая беспроводные сообщения светофорам, дорожным блокам и другим элементам. Эти связи помогают с предупреждениями о безопасности, управлением трафика и, в перспективе, автономным вождением. Но городские улицы — это сложная беспроводная среда: высокие здания, деревья, мосты и грузовики могут ослаблять или блокировать сигнал. В этой работе показано, как предсказывать такое ослабление сигнала не только точно, но и понятным для инженеров и регуляторов способом, которым они могут доверять.

Посмотреть на данные прежде чем доверять модели

Авторы исходят из масштабной кампании измерений в Болонье, Италия, где автомобили с антеннами проезжали через 24 различных городских сцены — прямые улицы, кольцевые развязки, аллеи, мосты и зоны с интенсивным движением — одновременно обмениваясь данными с прибрежными передатчиками. Из этих измерений они выводят «затухание пути», меру того, насколько сигнал ослабевает при переходе от дороги к автомобилю. Прежде чем строить какие-либо предиктивные модели, исследователи проводят тщательный разведочный анализ данных: строят распределения, проверяют корреляции и разбивают данные на семь типичных кейсов, таких как прямая видимость, затемненные зоны и растительность. Этот этап выявляет шум, выбросы и скрытые закономерности, которые необходимо учитывать для надежного прогнозирования.

Приведение в порядок реального беспроводного хаоса

Данные реальных беспроводных измерений полны неправильностей, вызванных ошибками измерений, отражениями от зданий и внезапными блокировками проезжающими транспортными средствами. Исследователи разрабатывают конвейер предобработки, чтобы укротить этот хаос. Сначала они масштабируют все входные признаки — такие как расстояние, положение автомобиля и скорость — чтобы сделать их сопоставимыми. Затем удаляют выбросы с помощью устойчивого статистического правила, отсекающего крайние, несовместимые измерения. Наконец, применяют оптимизированный фильтр Калмана — классический инструмент теории управления — для сглаживания сигнала по расстоянию при сохранении его базовых тенденций. Настраивая параметры фильтра с целью максимизации качества последующих моделей, они показывают, что этот процесс очистки может сократить ошибки прогнозирования более чем вдвое и выявить стабильные шаблоны, которые модели способны выучить.

Открывая черный ящик ИИ

Традиционные формулы для планирования беспроводной связи, такие как модели 3GPP и с двойным наклоном, просты и прозрачны, но часто не отражают усложнений плотной городской среды. С другой стороны, популярные методы машинного обучения, такие как случайные леса и XGBoost, достигают высокой точности, однако ведут себя как «черные ящики»: они дают прогнозы без объяснения причин. В этой работе авторы выбирают средний путь: «стеклянные» модели, которые остаются достаточно простыми для интерпретации и при этом улавливают нелинейное поведение. Авторы тестируют три таких модели — Explainable Boosting Machines, Generalized Additive Models и Generalized Neural Additive Models — наряду со стандартными черными алгоритмами и классическими формулами, используя строгие разбиения на обучение и тест и 5-кратную перекрестную проверку по всем сценариям.

Что вызывает потерю сигнала на реальных дорогах

Сочетая очищенные данные с интерпретируемыми моделями, авторы могут точно указать, что важно для затухания пути в городах. Расстояние между автомобилем и дорожным блоком, как ни удивительно, доминирует, но также значимы точные GPS-координаты автомобиля и время, отражая то, как планировка улиц и трафик формируют канал. Для сложных сцен — таких как участки без прямой видимости за зданиями, под мостами, под кроной деревьев или среди больших грузовиков — «стеклянные» модели сопоставимы или немного уступают лучшим черным моделям по точности, при этом они явно показывают, как каждый фактор смещает прогноз вверх или вниз. В исследовании также оцениваются время вычислений и энергопотребление, и делается вывод, что эти интерпретируемые модели достаточно быстры и легковесны для развертывания в реальном времени в дорожных блоках и бортовых устройствах.

Создание более безопасных и прозрачных автомобильных сетей

Для непрофессионального читателя ключевая мысль в том, что теперь мы можем прогнозировать, насколько хорошо автомобиль «услышит» дорогу в плотных городах, сочетая и точность, и ясность. Вместо полагания на непрозрачный ИИ, которого никто полностью не понимает, эта методика использует изучение данных, фильтрацию шума и объяснимые модели, чтобы обеспечить почти ведущую по качеству точность и одновременно показывать, какие факторы имеют значение. Такая прозрачность критична для систем Vehicle-to-Everything, где инженеры, регуляторы и даже суды могут потребовать аудита решений. Работа указывает путь к будущим 5G/6G сетям связи между автомобилем и дорогой, которые будут не только быстрыми и надежными, но и подотчетными, проще в проектировании, тестировании и вызывающими больше доверия.

Цитирование: Ameur, M.B., Chebil, J., Habaebi, M.H. et al. Explainable AI with EDA for V2I path loss prediction. Sci Rep 16, 4954 (2026). https://doi.org/10.1038/s41598-026-34987-8

Ключевые слова: vehicle-to-infrastructure, прогнозирование затухания пути, объяснимая ИИ, беспроводные каналы, 5G V2X